基于蚁群神经网络的财务危机预警方法

为了克服神经网络财务危机预警方法收敛慢、不收敛和网络结构难以确定等缺陷,提出了基于蚁群算法的改进神经网络财务危机预警方法。将神经网络模型的结构和参数进行编码,利用蚁群算法确定若干个神经网络模型的结构和参数,然后通过评价函数得到神经网络的最佳结构,最后通过BP算法训练该神经网络,得到神经网络财务危机预警模型。验证结果表明,该模型结构简单、预警精度高。     

基于IGA-BP神经网络和专家系统的我国银行流动性风险预警研究

以因子分析主成分方法选取预警指标;以免疫遗传算法对BP神经网络收敛速度较慢、易陷入局部极小等缺陷进行改进,形成IGA-BP神经网络.采用IGA-BP神经网络对银行的流动性风险进行预警,并提出以拥有强大知识库的专家系统对其输出的预警信号进行进一步核准和验证,确保预警信号的有效性,构建我国商业银行流动性风险预警机制.     

基于逐步回归分析和BP_Adaboost算法的危险驾驶行为辨识

为准确辨识车辆在行驶过程中可能出现的异常加减速,压线行驶,右侧超车驾驶行为,以便于及时给予驾驶员信息反馈和安全预警,使车辆保持安全的运行状态.首先通过虚拟驾驶仿真实验平台,采集驾驶行为的48种车辆运行数据对实验数据进行预处理,获得实验样本1492组;其次利用逐步回归分析对原始数据进行降维处理,并选取其中的最优回归模型获得特征参数;将提取的特征参数数据输入到BP_Adaboost多分类网络中,训练BP_Adaboost多分类网络,对上述驾驶行为进行识别;最后该模型与BP神经网络进行识别结果对比分析.结果表明模型识别率相较于BP神经网络提高了8.81%,达到92.93%,能进行更加有效的安全预警.     

基于灰色神经网络的航空装备作战携行量预测

当前局势多变且节奏迅速的现代高新技术战争使得航空装备需求量与损耗率激增,航空装备保障人员也面临着战时保障情况复杂、决策难度增加的问题.在BP神经网络的基础上使用灰色理论对其进行了优化,将得到的灰色BP神经网络对航空装备作战携行数量进行了预测并与一般BP神经网络和GM(1,1)模型预测结果对比.结果表明:灰色BP神经网络预测精度高、收敛速度快、所需样本数据少,对航空装备作战携行数量预测具有重要价值.     

大数据背景下基于GRBF神经网络的P2P机构信用风险预警研究

针对P2P机构信用风险预警问题,提出了基于大数据思维的信用评估体系,采用基于动态特征的广义径向基神经网络对228家P2P机构12个月的高维数据指标进行信用风险评估.应用设计的广义径向基神经网络和BP神经网络进行对比,准确率分别为91.9%、85.2%,广义径向基神经网络在处理实时高维数据时表现出良好的性能,可以对我国P2P机构信用风险进行预警.同时深入对预警机构进行数据分析发现,如果企业资金流动性较差、净流入低也可能存在较高风险,企业应依据小额分散的借贷原则,降低借款集中度可以有效防范企业信用风险.     

上市公司财务预警的BP神经网络模型的建立及其应用

将BP神经网络方法应用于上市公司的财务预警上,构建了上市公司财务预警模型,不仅能发现企业是否存在风险和企业经营是否偏离轨道,向经营者提出警示,以便及时采取相应管理对策,而且还为广大的投资者和银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据.实例分析表明该模型有效、可行,为上市公司财务预警提供了新的途径.     

基于SVR的智能建筑火灾预警模型设计

火灾信息处理算法的有效性直接决定着建筑火灾自动预警系统的可靠性,开发新型智能火灾预警算法是目前建筑火灾探测预警领域研究的热点之一.针对现有火灾预警算法的不足,研究设计提出一种基于支持向量回归机(SVR)的智能建筑火灾预警算法.为了验证该算法在多传感器复合式建筑火灾预警系统信息处理中的可靠性与优越性,以普通火灾和欧洲试验火历史数据为例,通过Matlab模拟仿真,进行实证分析,并将预警结果与BP神经网络预警结果进行对比分析.研究成果可为新型建筑火灾自动预警系统的设计提供科学的依据.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

基于模糊神经网络的动车组转向架健康评估

动车组转向架的健康状态直接关系到到动车组的行车安全,基于健康评估方法获取其健康状态及时制定维护计划可以有效降低其维护费用.动车组转向架健康状态评估时应用了模糊层次分析法以及BP神经网络,其模糊矩阵的特征向量用遗传算法进行求解,获取动车组转向架系统关键部件健康状态的权重,以及基于转向架系统评价指标的健康状态样本数据.构建BP神经网络,用转向架健康状态样本数据作为神经网络训练集,优化神经网络结构参数.通过实际测试数据对神经网络评估效果进行检验,完成了动车组转向架健康评估方法的智能化,支持了动车组转向架的维护决策.     

基于AHP和动量BP神经网络的工程项目承包商选择模型

运用BP神经网络技术,采用动量BP算法,构建了基于动量BP神经网络的工程项目承包商选择模型,并将AHP的评价结果作为学习样本,对BP神经网络模型进行训练和测试.结果表明,基于AHP和动量BP神经网络的工程项目承包商选择模型是可行的,该模型具有较高的自组织、自适应和自学习能力以及较强的容错功能,能够为一般的工程项目承包商选择活动提供有效的参考和依据.     

基于变系数回归模型的石油价格预测

石油作为不可或缺的能源和化工原料,在国民经济生产运行中占据重要地位.石油也是一种战略物资,在国防和国家安全领域发挥着不可替代的作用.因此,对国际市场上的石油价格波动进行预测,具有十分重要的意义。本文采用变系数回归模型,以WTI原油现货价格为例,进行了未来4个季度的季度平均价格预测.     

Prediction of financial distress: An empirical study of listed Chinese companies using data mining

The deterioration in profitability of listed companies not only threatens the interests of the enterprise and internal staff, but also makes investors face significant financial loss. It is important to establish an effective early warning system for prediction of financial crisis for better corporate governance. This paper studies the phenomenon of financial distress for 107 Chinese companies that received the label ‘special treatment’ from 2001 to 2008 by the Shanghai Stock Exchange and the Shenzhen Stock Exchange. We use data mining techniques to build financial distress warning models based on 31 financial indicators and three different time windows by comparing these 107 firms to a control group of firms. We observe that the performance of neural networks is more accurate than other classifiers, such as decision trees and support vector machines, as well as an ensemble of multiple classifiers combined using majority voting. An important contribution of the paper is to discover that financial indicators, such as net profit margin of total assets, return on total assets, earnings per share, and cash flow per share, play an important role in prediction of deterioration in profitability. This paper provides a suitable method for prediction of financial distress for listed companies in China.     

Indicator space configuration for early warning of violent political conflicts by genetic algorithms

Recognition of preconflict situations has a powerful potential for early warning of violent political conflicts. This paper focuses on the design and application of artificial neural networks as classifiers of preconflict situations. Achieving a desired level of performance of the neural network relies on the appropriate construction of recognition space (selection of indicators) and the choice of network architecture. A fast and effective method for the design of reliable neural recognition systems is described. It is based on genetic algorithm techniques and optimizes both the configuration of input space and the network parameters. The implementation of the methodology provides for increased performance of the classifier in terms of accuracy, generalization capacity, computational and data requirements. This revised version was published online in June 2006 with corrections to the Cover Date.     

中美石油消费与国际原油价格的协整分析

石油消费与石油市场与国民经济和国家安全息息相关,是学术界研究的的热点领域之一.本文采用协整性和因果关系检验的计量经济学方法,考察了我国石油消费和国际原油价格之间的相互影响,发现两者存在长期协整关系,但只具有单向因果关系.与美国的比较研究表明,我国石油市场化改革取得了显著成效,随着改革的深入,还应该建立充足的商业石油储备,并基于市场调整当前石油定价体制与进口机制,进一步放开油价,采用主动的进口策略,才能根本解决消费与价格存在的脱节问题,实现与国际石油市场更好的接轨,适应日益完善的市场经济需要.     

石油企业生产经营系统监测预警指标体系和预警方法研究

为保证石油企业的持续稳定发展，本文根据石油企业的生产经营特点，建立了石油企业生产经营系统监测预警指标体系，在此基础上应用加权平均法构建了石油企业生产经营综合评价预警模型，并以胜利油田为例加以应用分析。     

中国成品油定价机制的实证分析

随着原油对外依存度的提高,我国的成品油价格受国际油价的潜在影响也逐步增大.为了平衡油价高企对国内各方面的影响,2009年我国推出了新的成品油定价机制,以期在一定程度上能够与国际原油价格接轨.使用Granger因果关系分析、ECM等计量经济学方法,对我国成品油价格特征及其与国际原油市场的互动关系进行定量分析,进而探讨2009年定价机制改革的效果.研究结果表明国际原油价格是国内成品油价格的Granger原因,二者之间存在长期的协整关系,但在现有的定价机制下,短期内国际原油价格的波动难以影响到国内成品油价格.现有的定价机制并没有有效地提升国内成品油价格与国际原油价格的接轨程度.     

基于物理经验模型约束的机器学习方法在页岩油产量预测中的应用

页岩油气产量预测是确定其开发经济性的重要手段,目前的产量预测研究很少能在物理模型与数据挖掘方法之间达到统一.针对页岩油气的产量分析,本研究深入结合误差反向传递（BP）神经网络和长短期记忆（LSTM）神经网络的数学方法优势,综合考虑工程经验模型的约束,改善了模型预测精度,经过实例数据训练后可较好地预测油田产量,并研究了页岩储层深度、总有机碳含量（TOC）、脆性度等油田参数对产量预测的影响规律.这项工作可以为页岩油气规模化开发提供可靠的产量预测和经济评价.     

Solving regression problem with complementary neural networks and an adjusted averaging technique

This research deals with complementary neural networks (CMTNN) for the regression problem. Complementary neural networks consist of a pair of neural networks called truth neural network and falsity neural network, which are trained to predict truth and falsity outputs, respectively. In this paper, a novel adjusted averaging technique is proposed in order to enhance the result obtained from the basic CMTNN. We test our proposed technique based on the classical benchmark problems including housing, concrete compressive strength, and computer hardware data sets from the UCI machine learning repository. We also realize our technique to the porosity prediction problem based on well log data set obtained from practical field data in the oil and gas industry. We found that our proposed technique provides better performance when compared to the traditional CMTNN, backpropagation neural network, and support vector regression with linear, polynomial, and radial basis function kernels.     

An improvement of chaos-based hash function in cryptanalysis approach: An experience with chaotic neural networks and semi-collision attack

In this paper, the chaos-based hash function is analyzed, then an improved version of chaos-based hash function is presented and discussed using chaotic neural networks. It is based on the piecewise linear chaotic map that is used as a transfer function in the input and output of the neural network layer. The security of the improved hash function is also discussed and a novel type of collision resistant hash function called semi-collision attack is proposed, which is based on the collision percentage between the two hash values. In the proposed attack particle swarm optimization algorithm is used to define the fitness function parameters. Finally, numerical and simulation results provides strong collision resistance and high performance efficiency.